https://github.com/coplin-ufsm/nlp
Projeto da Coordenadoria de Planejamento Informacional da UFSM para processamento de linguagem natural.
https://github.com/coplin-ufsm/nlp
deep-learning machine-learning natural-language-processing sentiment-analysis
Last synced: 11 months ago
JSON representation
Projeto da Coordenadoria de Planejamento Informacional da UFSM para processamento de linguagem natural.
- Host: GitHub
- URL: https://github.com/coplin-ufsm/nlp
- Owner: COPLIN-UFSM
- License: mit
- Created: 2023-09-05T12:17:41.000Z (almost 3 years ago)
- Default Branch: main
- Last Pushed: 2025-07-10T15:19:55.000Z (12 months ago)
- Last Synced: 2025-07-10T21:53:51.960Z (12 months ago)
- Topics: deep-learning, machine-learning, natural-language-processing, sentiment-analysis
- Language: Python
- Homepage:
- Size: 92.8 KB
- Stars: 1
- Watchers: 0
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
# Natural Language Processing
Este repositório é uma coleção de scripts e ferramentas utilizados para tarefas de Processamento de Linguagem Natural
(Natural Language Processing, ou NLP em inglês) realizados pela Coordenadoria de Planejamento Informacional da UFSM,
ligada à Pró-reitoria de Planejamento - PROPLAN.
Os dados utilizados para treinar os modelos de deep learning encontram-se no repositório privado
[nlp-data](https://github.com/COPLIN-UFSM/nlp-data).
Este repositório compreende três aplicações distintas:
* [Treino de modelos preditivos com Transformers](learning/sentiment_analysis/README.md)
* [Aplicação Web para análise de sentimento](app/README.md)
* [Anotação de comentários com a biblioteca doccano](DOCCANO.md)
## Sumário
* [Pré-requisitos](#pré-requisitos)
* [Instalação](#instalação)
* [Instruções de uso](#uso)
* [Contato](#contato)
* [Bibliografia](#bibliografia)
## Pré-requisitos
Este repositório requer a última versão do [Python Anaconda](https://www.anaconda.com/download) para ser executado,
visto que usa o gerenciador de pacotes conda. O código executará em qualquer Sistema Operacional, mas foi desenvolvido
originalmente para Windows 10 Pro e Ubuntu 22.04.3 LTS (ambos 64 bits).
Também é necessário instalar a versão compatível das bibliotecas [CUDA](https://developer.nvidia.com/cuda-downloads) e
[PyTorch](https://pytorch.org/get-started/locally/#anaconda). Clique em cada um dos links anteriores e siga os tutoriais
para baixar a versão adequada para a sua máquina.
As configurações da máquina que o repositório foi desenvolvido encontram-se na tabela abaixo:
| Configuração | Valor |
|---------------------|------------------------------------|
| Sistema operacional | Windows 10 Pro /Ubuntu 22.04.3 LTS |
| Processador | Intel core i7 9700 |
| Memória RAM | 16GB |
| Placa de vídeo | Nvidia GTX 730 |
| Memória de vídeo | 2GB |
| Versão do CUDA | 11.8 |
| Necessita rede? | Não |
## Instalação
> [!WARNING]
> Infelizmente, não é possível usar um arquivo `environment.yml` para configuração do ambiente virtual.
>
Para criar o ambiente virtual com as bibliotecas para execução na GPU, execute os seguintes comandos, nesta ordem:
```bash
conda create --name nlp python==3.11.* pip --yes
conda activate nlp
conda install pytorch torchvision torchaudio pytorch-cuda=12.1 -c pytorch -c nvidia --yes
conda install captum -c pytorch --yes
conda install --file requirements.txt --yes
pip install --requirement pip_requirements.txt
```
Para utilizar aceleração por GPU no treinamento dos algoritmos de deep learning (não necessário para execução de modelos
já treinados), execute o seguinte passo a passo:
```bash
conda activate nlp
python
```
E então, dentro do console Python:
```python
import torch
torch.cuda.is_available()
```
A resposta deve ser `True`, caso uma placa de vídeo NVIDIA compatível esteja disponível. A disponibilidade depende dos
drivers mais recentes estarem instalados.
## Instruções de uso
> [!NOTE]
> Para classificação dos comentários da avaliação de ensino-aprendizagem, siga para [Análise de sentimento](learning/sentiment_analysis/README.md).
## Contato
Desenvolvido originalmente por Henry Cagnini [henry.cagnini@ufsm.br]() e idealizado por Raphael Amaro [raphael.amaro@ufsm.br]().
## Bibliografia
* [PyTorch Tutorials](https://pytorch.org/tutorials/)